WO2020064469A1 - Verfahren und vorrichtung zum bestimmen von kardiophysiologischen merkmalen mittels mechanokardiografie - Google Patents

Verfahren und vorrichtung zum bestimmen von kardiophysiologischen merkmalen mittels mechanokardiografie Download PDF

Info

Publication number
WO2020064469A1
WO2020064469A1 PCT/EP2019/075050 EP2019075050W WO2020064469A1 WO 2020064469 A1 WO2020064469 A1 WO 2020064469A1 EP 2019075050 W EP2019075050 W EP 2019075050W WO 2020064469 A1 WO2020064469 A1 WO 2020064469A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
mechanocardiogram
cardiophysiological
feature data
features
Prior art date
Application number
PCT/EP2019/075050
Other languages
English (en)
French (fr)
Inventor
Verma KESHAV DEEP
Seow Yuen YEE
Robert DUERICHEN
Christian Peters
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2020064469A1 publication Critical patent/WO2020064469A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/683—Means for maintaining contact with the body
    • A61B5/6832—Means for maintaining contact with the body using adhesives
    • A61B5/6833—Adhesive patches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the invention is based on a device or a method according to the type of the independent claims.
  • the present invention also relates to a computer program.
  • EKG electrocardiography
  • Mechanocardiography or seismocardiography is a non-invasive method for cardiac diagnosis, in which local mechanical vibrations of the chest are analyzed in response to the heartbeat.
  • a determination or prediction of cardiophysiological features or feature points that can otherwise only be concluded from an electrocardiogram using mechanocardiography data can be achieved.
  • a device and a system can also be provided, which is or are designed to position positions of feature points that are usually only available from an electrocardiogram, for example R-waves, only under
  • an electrocardiogram for monitoring cardiac activity can in particular be dispensed with under certain circumstances, since usually only one
  • Feature points obtainable by electrocardiogram can also only be determined based on mechanocardiography data.
  • a portable sensor sticker that can be placed on the chest of a living being can also be simplified and reduced in size. It can
  • Skin conductivity effects in long-term monitoring can be achieved by dispensing with a contact gel used for EKG electrodes to lower skin resistance.
  • a method for determining cardiophysiological features for a living being comprising the following steps:
  • Mechanocardiogram signal represents a mechanocardiogram of the living being
  • the acceleration sensor unit can have at least one acceleration sensor.
  • MEMS Micro-Electro-Mechanical System; microsystem).
  • the acceleration sensor unit can be designed to be attached to a chest of the living being.
  • Acceleration sensor unit can also be an adhesive surface, an adhesive tape, a sticker, a chest strap or another fastening device for fastening the acceleration sensor unit to a chest of the
  • the processing rule can have at least one algorithm.
  • the processing instruction can also have a stochastic calculation method.
  • the first step in the extraction step is the first step in the extraction step
  • Feature data is extracted that is a minimum, a maximum, a
  • first feature data can also be extracted, the opening and closing of heart valves as
  • second characteristic data can be determined, the points in time of a depolarization of the myocardium based on the first characteristic data and additionally or alternatively at least one other process in the heart than represent cardiophysiological features.
  • a machine learning classification algorithm can be used as a processing rule in the determining step.
  • an output of the classification algorithm can be a binary time sequence vector or a probability vector.
  • a body posture of the living being during mechanocardiography and additionally or alternatively individual physiological data of the living being can also be taken into account in the determining step.
  • the posture can be identified by evaluating the mechanocardiogram signal based on acceleration values. For example, the posture can be identified as supine, sitting, or standing. While sitting and standing, a number of outliers in the
  • Mechanocardiogram signal increased.
  • the individual physiological data can represent previous diseases, personal values of cardiological parameters or the like.
  • the mechanocardiogram signal measured by the acceleration sensor unit can be superimposed by the force of gravity.
  • the gravity vector can be easily detected from a 3D acceleration signal. Such an embodiment offers the advantage that the second feature data can be determined more precisely and more accurately.
  • Processing instructions can be parameterized using a machine learning algorithm. This parameterization can also be understood as training or training the processing instructions. This
  • Parameterization can be carried out continuously or repeatedly. Such an embodiment offers the advantage that an accuracy of the acquisition of the second feature data can be increased.
  • the mechanocardiogram signal can be subjected to a sliding window process in the extraction step.
  • Sliding window process can be applied in the time domain.
  • Embodiment offers the advantage that the first feature data can be obtained in a simple and precise manner, and a reliable analysis of the mechanocardiogram signal can be carried out.
  • an evaluation signal can be provided which represents the first feature data, the second feature data and, additionally or alternatively, certain parameters from the first feature data and the second feature data as cardiophysiological features.
  • the parameters can be cardiological parameters, such as, for example, heart rate, heart rate variability, PEP (pre-ejection period), an auxiliary variable for measuring the
  • Heart contraction is defined as the time difference between the depolarization of the myocardium, the opening of the aortic valve, or the like. Such an embodiment offers the advantage that a clinical evaluation of the specific cardiophysiological features can be facilitated.
  • the method can also have a step of detecting acceleration values of the living being which are at least partially caused by cardiophysiological features, in order to generate the mechanocardiogram signal.
  • the step of detecting can be performed using the acceleration sensor unit, more precisely using at least one acceleration sensor
  • Accelerometer unit be executable. Such an embodiment offers the advantage that a reliable and precise data basis can be provided for evaluation.
  • the method can have a step of preprocessing the read-in mechanocardiogram signal.
  • the first Feature data is extracted from the preprocessed mechanocardiogram signal.
  • Feature data can be increased. Doing so can cause unwanted
  • Frequency components can, for example, be due to breathing or a movement of the living being.
  • the method can have a step of postprocessing the determined second feature data in order to reduce excess cardiophysiological features and additionally or alternatively missing
  • Processing instructions are used, which is similar to the processing instructions from the step of determining. Such an embodiment offers the advantage that a possibly remaining detection blur can be eliminated and detection gaps can be filled.
  • the method can also include a step of issuing the
  • the user interface can be implemented as a data visualization unit or the like.
  • User interface can be designed to bring about a presentation of the cardiophysiological features to a user.
  • Cardiophysiological features can be presented optically, acoustically and additionally or alternatively haptically.
  • Embodiment offers the advantage that timely detection of possible cardiophysiological abnormalities can be facilitated.
  • the approach presented here also creates a device that is designed to carry out the steps of a variant of a method presented here
  • the device can have at least one computing unit for processing signals or data, at least one storage unit for storing signals or data, at least one interface to a sensor or an actuator for reading sensor signals from the sensor or for outputting data or control signals to the Actuator and / or at least one
  • the computing unit can be, for example, a signal processor, a microcontroller or the like, and the storage unit can be a flash memory, an EEPROM or a magnetic storage unit.
  • the communication interface can be designed to read or output data wirelessly and / or line-bound, a communication interface that can insert or output line-bound data, for example electrically or optically insert this data from a corresponding data transmission line or output it into a corresponding data transmission line.
  • a device can be understood to mean an electrical device that processes sensor signals and outputs control and / or data signals as a function thereof.
  • the device can have an interface that can be designed in terms of hardware and / or software.
  • the interfaces can be part of a so-called system ASIC, for example, which contains a wide variety of functions of the device.
  • the interfaces are separate, integrated circuits or at least partially consist of discrete components.
  • the interfaces can be software modules that are present, for example, on a microcontroller in addition to other software modules.
  • a cardiography system is also presented, the cardiography system having the following features: an acceleration sensor unit for mechanocardiography, the
  • Acceleration sensor unit is designed to be portable on a chest of the living being; and an embodiment of the above device, wherein the
  • Device and the acceleration sensor unit can be connected to one another in a manner capable of signal transmission.
  • an embodiment of the above-mentioned device can advantageously be used or used for a data processing for determining cardiophysiological
  • the acceleration sensor unit can also be referred to as a data acquisition unit.
  • the device can also be used as a
  • Acceleration sensor unit and the device can be via a
  • the cardiography system can also be a
  • the user interface can be embodied as a data visualization unit that can be used, for example, using a computer, in particular one
  • Smartphones tablets or another portable computer can be realized.
  • the user interface can also be implemented as part of the device.
  • a computer program product or computer program with program code which can be stored on a machine-readable carrier or storage medium such as a semiconductor memory, a hard disk memory or an optical memory and for carrying out, implementing and / or controlling the steps of the method according to one of the above
  • Figure 1 is a schematic representation of a cardiography system according to an embodiment.
  • FIG. 2 shows a flowchart of a method for determining according to an exemplary embodiment
  • Fig. 3 is a schematic representation of a mechanocardiogram with an electrocardiogram as a reference.
  • FIG. 1 shows a schematic illustration of a cardiography system 100 according to an exemplary embodiment.
  • the system 100 is designed to record and process cardiophysiological features for a living being X.
  • the living being X is according to the here
  • the living being X can also be an animal.
  • the cardiography system 100 has an acceleration sensor unit 110 for mechanocardiography and a determination device 120 or one
  • the acceleration sensor unit 110 and the acceleration sensor unit 120 for determining cardiophysiological features for the living being X.
  • Determination devices 120 are connected to one another for signal transmission.
  • a signal-capable connection is implemented here, for example, as a wireless connection, in particular as a radio connection.
  • the acceleration sensor unit 110 is designed to be portable or attachable to a chest of the living being X. This is symbolically illustrated in the illustration in FIG. 1.
  • the acceleration sensor unit 110 is designed, for example, in the form of a plaster, a sticker or a chest strap.
  • the acceleration sensor unit 110 has at least one Acceleration sensor 112 for recording or sensing
  • the acceleration sensor unit 110 has an acceleration sensor 112 for recording acceleration values in three spatial directions.
  • the acceleration values are at least partly due to a cardiac activity of the living being X.
  • the acceleration sensor unit 110 has a
  • Acceleration sensor 112 for recording acceleration values in a spatial direction that corresponds to the dorsal-ventral direction.
  • Detection device 114 for detecting the recorded
  • the detection device 114 is designed to generate a mechanocardiogram signal 115 which represents the acceleration values.
  • the mechanocardiogram signal 115 thus represents a mechanocardiogram of the living being X. Die
  • detection device 114 is designed as part of the acceleration sensor unit 110. According to another exemplary embodiment, the detection device 114 can also be implemented separately from the acceleration sensor unit 110, for example as part of the determination device 120. According to another
  • the acceleration sensor unit 110 is designed to generate the mechanocardiogram signal 115 and to output or
  • the determination device 120 is in accordance with that shown here
  • Embodiment executed as part of a computer C.
  • Computer C is, for example, a smartphone, tablet, laptop or another portable computer, a desktop PC or the like.
  • the determination device 120 has a reading device 122, a
  • Extraction device 124 a determination device 106 and 20 and a provision device 128.
  • the reading device 122 of the determination device 120 is designed to transmit the mechanocardiogram signal 115 from an interface 121 to the Read acceleration sensor unit 110. Furthermore, the reading device 122 is designed to transmit the mechanocardiogram signal 115 to the
  • the extraction device 124 is designed to extract from the
  • Mechanocardiogram signal 115 to extract first feature data 125.
  • the first feature data 125 represent signal properties of the
  • Mechanocardiogram signal 115 and in the mechanocardiogram
  • the signal properties are, for example, a minimum, a maximum, an average, an integral and / or at least one other signal property from the time domain and / or a peak frequency and / or at least one other signal property from the frequency domain.
  • Mechanocardiogram observable cardiophysiological features are, for example, opening and closing of heart valves, more precisely opening and closing of the aortic valve and the mitral valve.
  • the extraction device 124 is designed to carry out a sliding window process on the mechanocardiogram signal 115. In the sliding window process, for example, several differently sized sliding windows are used and signal properties are determined in each sliding window.
  • the extraction device 124 is designed to transmit the first feature data 125 to the determination device 126
  • Extraction device 124 is also designed to forward the first feature data 125 to the provision device 128 or to make the same available.
  • the determination device 126 is designed to use a processing rule to convert the second feature data 125 from the second
  • the second feature data 127 represent such cardiophysiological features that are or would be extractable from an electrocardiogram.
  • the second represent
  • the determination device is 126
  • the classification algorithm has, for example, a binary time sequence vector or an output
  • the determination device 126 is also designed to determine a body posture of the living being X, for example in a supine position, sitting or standing, during the
  • the determination device 126 is designed according to an exemplary embodiment in order to take individual physiological data of the living being X, for example pre-existing diseases or the like, into account in the processing regulation.
  • The is optional
  • Determination device 126 is configured to parameterize or train the processing rule using a machine learning algorithm. The determination device 126 is also designed to forward the second feature data 127 to the provision device 128 or to make it available to the latter.
  • the provision device 128 is designed to use the first feature data 125 and the second feature data 127
  • the evaluation signal 129 represents the specific cardiophysiological features.
  • the evaluation signal represents the first as cardiophysiological features
  • Characteristic data and the second characteristic data determined cardiological or cardiophysiological parameters.
  • Cardiography system 100 also includes a user interface 140.
  • User interface 140 is capable of signal transmission with the
  • Determination device 120 connected.
  • User interface 140 in accordance with the exemplary embodiment illustrated here is likewise designed as part of the computer C.
  • the user interface 140 is designed to use the evaluation signal 129 Present the specific cardiophysiological features to the user optically or graphically and / or acoustically.
  • the determination device 120 also has a preprocessing device 132.
  • the preprocessing device 132 is designed to use a bandpass filter and / or at least one other filter to pre-process the data using the
  • Read-in device 122 to carry out read mechanocardiogram signal 115.
  • the preprocessing device 132 is also designed to generate a preprocessed version 133 of the mechanocardiogram signal 115 and to output it to the extraction device 124.
  • Extraction device 124 is designed to extract the first feature data 125 from the preprocessed version 133 of the mechanocardiogram signal 115.
  • the determination device 120 also has a post-processing device 134.
  • the post-processing device 134 is designed to post-process the data using the
  • Determination device 126 determined second feature data 127
  • Post-processing device 134 designed to reduce excess cardiophysiological features and / or missing using a processing instruction in the second feature data 127
  • Post-processing device 134 is also designed to generate a post-processed version 137 of the second feature data 127 and to the
  • the provision device 128 is designed to provide the evaluation signal 129 using the first feature data 125 and the post-processed version 137 of the second feature data 127.
  • the determination device 120 has an output device 136.
  • the output device 136 can be implemented as part of the user interface 140.
  • the output device 136 is designed to use the evaluation signal 129 certain cardiophysiological features via or by means of
  • Output user interface 140 or present to a user.
  • the output device 136 is designed to use the evaluation signal 129 to generate a trigger signal 139 for triggering the
  • the determination device 120 can be designed to be portable or attachable to a chest of the living being X.
  • the determination device 120 can be connected to the
  • Acceleration sensor unit 110 can be designed jointly or in combination, for example, in the form of a plaster, a sticker or a chest strap.
  • the method 200 for determining is executable to determine cardiophysiological features for a living being.
  • the method 200 is for determining by means of or using the
  • FIG. 1 or another cardiography system and / or the determination device from FIG. 1 or a similar
  • Determination device executable
  • the mechanocardiogram signal represents a mechanocardiogram of the living being.
  • Mechanocardiogram signal first feature data extracted. The first
  • Feature data represent signal properties of the
  • Mechanocardiogram signal and cardiophysiological features observable in the mechanocardiogram In a step 230 of the determination, which can subsequently be carried out relative to the step 220 of the extraction, the second feature data becomes second using a processing rule Characteristic data extracted.
  • the second feature data represent cardiophysiological features extractable from an electrocardiogram.
  • an evaluation signal is provided using the first feature data and the second feature data.
  • the evaluation signal represents cardiophysiological features or the specific cardiophysiological features.
  • the method 200 for determining also includes a step 250 of at least partially detecting
  • the method 200 for determining in accordance with one exemplary embodiment has a step 260 of preprocessing the read-in mechanocardiogram signal.
  • the preprocessing step 260 can be carried out between the reading step 210 and the extract step 220.
  • the read is
  • Mechanocardiogram signal preprocessed using a bandpass filter and / or at least one other filter. Additionally or alternatively, that
  • step 270 of postprocessing can be carried out between step 230 of determining and step 240 of providing.
  • the method 200 for determining according to an exemplary embodiment has a step 280 of outputting the cardiophysiological features using the
  • Evaluation signal on a user interface The step 280 of the output can be carried out subsequently to the step 240 of the provision.
  • FIG. 3 shows a schematic illustration 300 of a mechanocardiogram 133 or a preprocessed mechanocardiogram signal 133 with an electrocardiogram 302 as a reference.
  • the mechanocardiogram is 133 or preprocessed mechanocardiogram signal 133 using the
  • Determination device and / or generated by executing the method of FIG. 2 or a similar method.
  • a first signal curve 304 of the mechanocardiogram 133 represents an acceleration signal detected by means of an acceleration sensor unit in the caudal-cranial direction (C-C) in relation to a living being.
  • a second signal curve 306 of the mechanocardiogram 133 represents an acceleration signal detected by means of the acceleration sensor unit in the left-right direction (L-R) in relation to the living being.
  • a third signal curve 308 of the mechanocardiogram 133 represents one by means of the
  • Acceleration sensor unit detected acceleration signal in the dorsal-ventral direction (D-V) related to the living being.
  • Cardiophysiological features AO and AC as well as MO and MC are marked as first feature data on the third signal course 308.
  • Feature data can be extracted from the mechanocardiogram 133 using the determination device and / or the method.
  • AO represents an opening of the aortic valve.
  • AC represents a conclusion of the
  • Aortic valve represents an opening of the mitral valve.
  • MC represents closure of the mitral valve.
  • the electrocardiogram 302 is shown in the form of a further signal curve as a synchronized EKG signal with marked R-waves for illustration.
  • the R-waves indicate times of depolarization of the myocardium as cardiophysiological features in the form of the second
  • the second feature data are by means of the
  • Mechanocardiogram 133 can be determined.
  • Seismocardiography SKG or mechanocardiography is a non-invasive method for cardiac diagnosis, which is local mechanical
  • Chest vibrations analyzed in response to the heartbeat From the mechanocardiogram signal 115 or the preprocessed one
  • Mechanocardiogram signal 133 can have various physiological parameters
  • Parameters or characteristics are extracted, such as a
  • Heart rate or heart timing intervals are characterized by
  • Mechanocardiogram signals 115 and 133 are recorded either one-dimensionally or three-dimensionally by means of acceleration sensors.
  • Signal morphology is influenced by many factors, such as: the position of the living being, sensor position, breathing phase and variability between living things.
  • the signal curve of the mechanocardiogram signal 115 or of the preprocessed mechanocardiogram signal 133 contains several
  • AO and AC aortic valve
  • MO and MC mitral valve
  • the electrocardiogram contains several characteristic feature points, such as the R wave.
  • One difference between an SKG signal and an EKG signal is that mechanocardiography monitors the mechanical characteristics of the heart and electrocardiography monitors the electrical ones.
  • a portable sensor sticker or an acceleration sensor unit 110 can be provided which only has at least one acceleration sensor 112 for mechanocardiography. An additional EKG sensor can therefore be dispensed with.
  • Embodiments can in particular, even without an EKG signal, electrocardiophysiological features, such as the aortic valve opening, the mitral valve closure, and separate cardiac cycles, and otherwise features that can only be determined from the ECG, such as the R. Zacke, only on the basis of
  • multimodal cardiac timing relevant cardiophysiological feature PEP can be determined according to embodiments.
  • At PEP is an auxiliary variable for measuring the
  • Contractility of the heart. PEP is theoretically defined as the time difference between the R wave in the EKG and the AO peak in the
  • PEP changes can provide evidence of a clinical condition of heart failure.
  • a cardiography system 100 is included
  • Acceleration sensor unit 110 is provided without an additional EKG sensor.
  • the cardiography system 100 has an acceleration sensor unit 110 or data acquisition unit, a determination device 120 or
  • the advantages of such a cardiography system 100 include an extended monitoring time due to reduced
  • the acceleration sensor unit 110 or data acquisition unit has at least one acceleration sensor 112, which can be attached to the chest of the living being X, for example via a
  • the determination device 120 or data processing unit is
  • Data processing device for example smartphone, laptop etc.
  • the data between the acceleration sensor unit 110 and the determination device 120 can be transmitted via a cable connection or wirelessly.
  • the determination device 120 carries out the following processes in particular: data preprocessing by means of the preprocessing device 132 by means of bandpass filtering, in order to reduce, for example, breathing
  • EKG feature point prediction algorithm executed by the determination device 126, the calculated features being inputs for a machine learning classifier that predicts the second feature data 127, in particular positions of ECG feature points.
  • the output can be a probability vector or a binary time sequence vector in which a "1" indicates the occurrence of an ECG feature point.
  • the calculated results are displayed to the user either in the form of a graphic or in the form of a table by means of the user interface 140 or data visualization unit.
  • the display device can be part of a computer C, for example a smartphone or an alternative visualization device.
  • S-waves, P-waves and T-waves or generally from one
  • Electrocardiogram extractable cardiophysiological features or EKG features used using mechanocardiogram data will.
  • the R waves are classified in the mechanocardiogram signal 115 or the preprocessed one
  • Mechanocardiogram signal 133 by machine learning with one
  • the feature extraction step is based on a sliding window method. For each index point i des
  • Mechanocardiogram signal 133 or three-dimensional
  • Acceleration signal sliding windows with different ranges r are extracted.
  • classifiers for machine learning for example, Decision Tree, a decision tree, or Random Forest, a classification method that consists of several uncorrelated
  • An output y p is calculated using predicted probabilities p, the machine learning classifiers.
  • An EKG signal or electrocardiogram 302 is also used only for training the algorithm or the determination device 126 in order to generate the ground truth. If the determiner 126 is trained, it will
  • Electrocardiogram 302 no longer required.
  • a maximum and a minimum distance between two adjacent R-waves can be calculated using the post-processing device 134.
  • the index with the highest probability can be selected and all other waves can be removed within the minimum distance. If spikes the position of the missing R-wave can be omitted
  • Rapid changes in heart rate can also be smoothed out because sudden changes are unlikely.
  • an exemplary embodiment comprises an “and / or” link between a first feature and a second feature, this is to be read in such a way that the embodiment according to one embodiment has both the first feature and the second feature and according to a further embodiment either only that has the first feature or only the second feature.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen von kardiophysiologischen Merkmalen für ein Lebewesen (X). Das Verfahren weist einen Schritt des Einlesens eines Mechanokardiogrammsignals (115) von einer Schnittstelle (121) zu einer Beschleunigungssensoreinheit (110) für Mechanokardiografie auf. Das Mechanokardiogrammsignal (115) repräsentiert ein Mechanokardiogramm des Lebewesens (X). Auch weist das Verfahren einen Schritt des Extrahierens von ersten Merkmalsdaten (125) aus dem Mechanokardiogrammsignal (115) auf. Die ersten Merkmalsdaten (125) repräsentieren Signaleigenschaften des Mechanokardiogrammsignals (115) und in dem Mechanokardiogramm beobachtbare kardiophysiologische Merkmale. Das Verfahren weist ferner einen Schritt des Ermittelns von zweiten Merkmalsdaten (127) aus den ersten Merkmalsdaten (125) unter Verwendung einer Verarbeitungsvorschrift auf. Die zweiten Merkmalsdaten (127) repräsentieren aus einem Elektrokardiogramm extrahierbare kardiophysiologische Merkmale. Zudem weist das Verfahren einen Schritt des Bereitstellens eines Auswertungssignals (129), das kardiophysiologische Merkmale repräsentiert, unter Verwendung der ersten Merkmalsdaten (125) und der zweiten Merkmalsdaten (127) auf.

Description

Beschreibung
Titel
VERFAHREN UND VORRICHTUNG ZUM BESTIMMEN VON KARDIOPHYSIOLOG ISCHEN MERKMALEN MITTELS MECHANOKARDIOGRAFIE
Stand der Technik
Die Erfindung geht von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche aus. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.
Das aktuelle klinische Standardverfahren zum Überwachen der Herzaktivität ist die Elektrokardiografie (EKG). Die Mechanokardiografie bzw. Seismokardiografie ist ein nicht-invasives Verfahren zur Herzdiagnose, bei dem ansprechend auf den Herzschlag auftretende lokale mechanische Schwingungen des Brustkorbs analysiert werden.
Offenbarung der Erfindung
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren, weiterhin eine Vorrichtung, welche dieses Verfahren verwendet, sowie schließlich ein entsprechendes Computerprogramm und ein Kardiografiesystem gemäß den Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
Gemäß Ausführungsformen kann für den Bereich der kardiologischen Diagnostik insbesondere eine Bestimmung oder Vorhersage von ansonsten lediglich aus einem Elektrokardiogramm abschließbaren kardiophysiologischen Merkmalen bzw. Merkmalspunkten unter Verwendung von Mechanokardiografiedaten erreicht werden. Hierbei können beispielsweise auch eine Vorrichtung und ein System bereitgestellt werden, welches ausgebildet ist bzw. welche ausgebildet sind, um Positionen von üblicherweise nur aus einem Elektrokardiogramm erhältlichen Merkmalspunkten, zum Beispiel R-Zacken, lediglich unter
Verwendung von Mechanokardiografiedaten zu bestimmen.
Vorteilhafterweise kann gemäß Ausführungsformen insbesondere auf ein Elektrokardiogramm zur Überwachung einer Herzaktivität unter gewissen Umständen verzichtet werden, da üblicherweise nur aus einem
Elektrokardiogramm erhältliche Merkmalspunkte auch lediglich basierend auf Mechanokardiografiedaten bestimmt werden können. Beispielsweise kann somit auch ein tragbarer Sensoraufkleber, der auf dem Brustkorb eines Lebewesens platziert werden kann, vereinfacht und verkleinert werden. Es können
insbesondere eine verlängerte Überwachungszeit aufgrund von reduziertem Batterieverbrauch durch eingesparte EKG-Sensorik, ein erhöhter Tragekomfort aufgrund von verringerter Größe des Sensoraufklebers durch Entfernung von EKG- Elektroden und eine Beseitigung bzw. Vermeidung von
Hautleitfähigkeitseffekten bei einer Langzeitüberwachung durch Verzicht auf ein bei EKG-Elektroden genutztes Kontaktgel zum Senken eines Hautwiderstandes erreicht werden.
Es wird ein Verfahren zum Bestimmen von kardiophysiologischen Merkmalen für ein Lebewesen vorgestellt, wobei das Verfahren folgende Schritte aufweist:
Einlesen eines Mechanokardiogrammsignals von einer Schnittstelle zu einer Beschleunigungssensoreinheit für Mechanokardiografie, wobei das
Mechanokardiogrammsignal ein Mechanokardiogramm des Lebewesens repräsentiert;
Extrahieren von ersten Merkmalsdaten aus dem Mechanokardiogrammsignal, wobei die ersten Merkmalsdaten Signaleigenschaften des
Mechanokardiogrammsignals und in dem Mechanokardiogramm beobachtbare kardiophysiologische Merkmale repräsentieren; Ermiteln von zweiten Merkmalsdaten aus den ersten Merkmalsdaten unter Verwendung einer Verarbeitungsvorschrift, wobei die zweiten Merkmalsdaten aus einem Elektrokardiogramm extrahierbare kardiophysiologische Merkmale repräsentieren; und
Bereitstellen eines Auswertungssignals, das kardiophysiologische Merkmale repräsentiert, unter Verwendung der ersten Merkmalsdaten und der zweiten Merkmalsdaten.
Dieses Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einer Vorrichtung oder einem Steuergerät implementiert sein. Die Beschleunigungssensoreinheit kann zumindest einen Beschleunigungssensor aufweisen. Der Beschleunigungssensor kann als eine MEMS-Vorrichtung (MEMS = Micro-Electro-Mechnical System; Mikrosystem) ausgeführt sein. Dabei kann die Beschleunigungssensoreinheit zur Anbringung an einem Brustkorb des Lebewesens ausgeführt sein. Die
Beschleunigungssensoreinheit kann auch eine Klebefläche, ein Klebeband, einen Aufkleber, einen Brustgurt oder eine andere Befestigungseinrichtung zum Befestigen der Beschleunigungssensoreinheit an einem Brustkorb des
Lebewesens aufweisen. Die Verarbeitungsvorschrift kann zumindest einen Algorithmus aufweisen. Auch kann die Verarbeitungsvorschrift ein stochastisches Rechenverfahren aufweisen.
Gemäß einer Ausführungsform können im Schrit des Extrahierens erste
Merkmalsdaten extrahiert werden, die ein Minimum, ein Maximum, einen
Mitelwert, ein Integral und zusätzlich oder alternativ mindestens eine andere Signaleigenschaft aus dem Zeitbereich und zusätzlich oder alternativ eine Spitzenfrequenz und zusätzlich oder alternativ mindestens eine andere
Signaleigenschaft aus dem Frequenzbereich als Signaleigenschaften
repräsentieren. Auch können im Schrit des Extrahierens erste Merkmalsdaten extrahiert werden, die Öffnung und Schluss von Herzklappen als
kardiophysiologische Merkmale repräsentieren. Im Schrit des Ermitelns können zweite Merkmalsdaten ermitelt werden, die auf die ersten Merkmalsdaten bezogene Zeitpunkte einer Depolarisation des Myokards und zusätzlich oder alternativ mindestens eines anderen Vorgangs im Herzen als kardiophysiologische Merkmale repräsentieren. Eine solche Ausführungsform bietet den Vorteil, dass aussagekräftige kardiophysiologische Merkmale auf zuverlässige und genaue Weise bestimmt werden können.
Ferner kann im Schritt des Ermittelns ein Klassifikationsalgorithmus maschinellen Lernens als Verarbeitungsvorschrift verwendet werden. Hierbei kann eine Ausgabe des Klassifikationsalgorithmus ein binärer Zeitfolgenvektor oder ein Wahrscheinlichkeitsvektor sein. Eine solche Ausführungsform bietet den Vorteil, dass die zweiten Merkmalsdaten bzw. die ansonsten lediglich aus einem EKG zu gewinnenden kardiophysiologischen Merkmale auf exakte Weise sogar aus einem Mechanokardiogrammsignal gewonnen werden können.
Auch kann oder können im Schritt des Ermittelns eine Körperhaltung des Lebewesens während der Mechanokardiografie und zusätzlich oder alternativ individuelle physiologische Daten des Lebewesens berücksichtigt werden. Die Körperhaltung kann durch Auswerten des auf Beschleunigungswerten basierenden Mechanokardiogrammsignals identifiziert werden. Beispielsweise kann die Körperhaltung als in Rückenlage, sitzend oder stehend identifiziert werden. Im Sitzen und im Stehen kann eine Anzahl von Ausreißern im
Mechanokardiogrammsignal erhöht sein. Die individuellen physiologischen Daten können Vorerkrankungen, persönliche Werte von kardiologischen Kenngrößen oder dergleichen repräsentieren. Das von der Beschleunigungssensoreinheit gemessene Mechanokardiogrammsignal kann von der Erdanziehungskraft überlagert sein. Der Schwerkraftvektor kann auf einfache Weise aus einem 3D- Beschleunigungssignal detektiert werden. Eine solche Ausführungsform bietet den Vorteil, dass die zweiten Merkmalsdaten noch exakter und treffsicherer ermittelt werden können.
Gemäß einer Ausführungsform kann im Schritt des Ermittelns die
Verarbeitungsvorschrift unter Verwendung eines Algorithmus des maschinellen Lernens parametrisiert werden. Dieses Parametrisieren kann auch als Training oder Trainieren der Verarbeitungsvorschrift verstanden werden. Dieses
Parametrisieren kann kontinuierlich oder wiederholt ausgeführt werden. Eine solche Ausführungsform bietet den Vorteil, dass eine Genauigkeit des Erfassens der zweiten Merkmalsdaten erhöht werden kann. Insbesondere kann im Schritt des Extrahierens das Mechanokardiogrammsignal einem Schiebefensterprozess unterzogen werden. Dabei kann der
Schiebefensterprozess im Zeitbereich angewendet werden. Eine solche
Ausführungsform bietet den Vorteil, dass die ersten Merkmalsdaten auf einfache und genaue Weise gewonnen werden können, wobei eine zuverlässige Analyse des Mechanokardiogrammsignals durchgeführt werden kann.
Zudem kann im Schritt des Bereitstellens ein Auswertungssignal bereitgestellt werden, das die ersten Merkmalsdaten, die zweiten Merkmalsdaten und zusätzlich oder alternativ aus den ersten Merkmalsdaten und den zweiten Merkmalsdaten bestimmte Kenngrößen als kardiophysiologische Merkmale repräsentiert. Bei den Kenngrößen kann es sich um kardiologische Kenngrößen handeln, wie beispielsweise Herzfrequenz, Herzfrequenzvariabilität, PEP (pre- ejection period), eine Hilfsgröße zum Messen des
Zusammenziehungsvermögens des Herzens definiert als Zeitdifferenz zwischen der Depolarisation des Myokards der Öffnung der Aortenklappe, oder dergleichen. Eine solche Ausführungsform bietet den Vorteil, dass eine klinische Auswertung der bestimmten kardiophysiologischen Merkmale erleichtert werden kann.
Auch kann das Verfahren einen Schritt des Erfassens von zumindest partiell durch kardiophysiologische Merkmale bedingten Beschleunigungswerten des Lebewesens aufweisen, um das Mechanokardiogrammsignal zu erzeugen. Der Schritt des Erfassens kann mittels der Beschleunigungssensoreinheit, genauer gesagt mittels zumindest eines Beschleunigungssensors der
Beschleunigungssensoreinheit, ausführbar sein. Eine solche Ausführungsform bietet den Vorteil, dass eine zuverlässige und genaue Datengrundlage zur Auswertung bereitgestellt werden kann.
Ferner kann das Verfahren einen Schritt des Vorverarbeitens des eingelesenen Mechanokardiogrammsignals aufweisen. Hierbei kann im Schritt des
Vorverarbeitens das eingelesene Mechanokardiogrammsignal mittels eines Bandpassfilters und zusätzlich oder alternativ mittels mindestens eines anderen Filters vorverarbeitet werden. Im Schritt des Extrahierens können die ersten Merkmalsdaten aus dem vorverarbeiteten Mechanokardiogrammsignal extrahiert werden. Eine solche Ausführungsform bietet den Vorteil, dass eine Genauigkeit der Extraktion der ersten Merkmalsdaten und der Erfassung der zweiten
Merkmalsdaten erhöht werden kann. Dabei können unerwünschte
Frequenzkomponenten des eingelesenen Mechanokardiogrammsignals im Schritt des Vorverarbeitens beseitigt werden. Solche unerwünschten
Frequenzkomponenten können beispielsweise auf eine Atmung oder auf eine Bewegung des Lebewesens zurückzuführen sein.
Zudem kann das Verfahren einen Schritt des Nachverarbeitens der ermittelten zweiten Merkmalsdaten aufweisen, um überschüssige kardiophysiologische Merkmale zu reduzieren und zusätzlich oder alternativ fehlende
kardiophysiologische Merkmale zu ergänzen. Hierbei kann eine weitere
Verarbeitungsvorschrift verwendet werden, die der Verarbeitungsvorschrift aus dem Schritt des Ermittelns ähnelt. Eine solche Ausführungsform bietet den Vorteil, dass sowohl eine möglicherweise verbleibende Erfassungsunschärfe beseitigt werden kann als auch Erfassungslücken gefüllt werden können.
Auch kann das Verfahren einen Schritt des Ausgebens der
kardiophysiologischen Merkmale unter Verwendung des Auswertungssignals über eine Benutzerschnittstelle aufweisen. Die Benutzerschnittstelle kann als eine Datenvisualisierungseinheit oder dergleichen ausgeführt sein. Die
Benutzerschnittstelle kann ausgebildet sein, um eine Präsentation der kardiophysiologischen Merkmale für einen Benutzer zu bewirken. Die
kardiophysiologischen Merkmale können hierbei optisch, akustisch und zusätzlich oder alternativ haptisch präsentiert werden. Eine solche
Ausführungsform bietet den Vorteil, dass eine rechtzeitige Erkennung möglicher kardiophysiologischer Auffälligkeiten erleichtert werden kann.
Der hier vorgestellte Ansatz schafft ferner eine Vorrichtung, die ausgebildet ist, um die Schritte einer Variante eines hier vorgestellten Verfahrens in
entsprechenden Einrichtungen durchzuführen, anzusteuern bzw. umzusetzen. Auch durch diese Ausführungsvariante der Erfindung in Form einer Vorrichtung kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden. Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, zumindest eine Schnittstelle zu einem Sensor oder einem Aktor zum Einlesen von Sensorsignalen von dem Sensor oder zum Ausgeben von Daten- oder Steuersignalen an den Aktor und/oder zumindest eine
Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EEPROM oder eine magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einiesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einiesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
Es wird auch ein Kardiografiesystem vorgestellt, wobei das Kardiografiesystem folgende Merkmale aufweist: eine Beschleunigungssensoreinheit für Mechanokardiografie, wobei die
Beschleunigungssensoreinheit an einem Brustkorb des Lebewesens tragbar ausgeführt ist; und eine Ausführungsform der vorstehend genannten Vorrichtung, wobei die
Vorrichtung und die Beschleunigungssensoreinheit signalübertragungsfähig miteinander verbindbar oder verbunden sind.
In Verbindung mit dem Kardiografiesystem kann eine Ausführungsform der vorstehend genannten Vorrichtung vorteilhaft eingesetzt oder verwendet werden, um eine Datenverarbeitung zum Bestimmen von kardiophysiologischen
Merkmalen unter Verwendung einer Mechanokardiografie durchzuführen. Die Beschleunigungssensoreinheit kann auch als eine Datenerfassungseinheit bezeichnet werden. Die Vorrichtung kann auch als eine
Datenverarbeitungseinheit bezeichnet werden. Die
Beschleunigungssensoreinheit und die Vorrichtung können über eine
Kabelverbindung oder drahtlos signalübertragungsfähig miteinander verbindbar oder verbunden sein. Das Kardiografiesystem kann auch eine
Benutzerschnittstelle oder Benutzeroberfläche zum Anzeigen oder anderweitigen Ausgeben der kardiophysiologische Merkmale aufweisen. Insbesondere kann die Benutzerschnittstelle als eine Datenvisualisierungseinheit ausgeführt sein, die beispielsweise unter Verwendung eines Computers, insbesondere eines
Smartphones, Tablets oder eines anderen tragbaren Computers realisiert sein kann. Die Benutzerschnittstelle kann auch als ein Teil der Vorrichtung ausgeführt sein.
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend
beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt: Fig. 1 eine schematische Darstellung eines Kardiografiesystems gemäß einem Ausführungsbeispiel;
Fig. 2 ein Ablaufdiagramm eines Verfahrens zum Bestimmen gemäß einem Ausführungsbeispiel; und
Fig. 3 eine schematische Darstellung eines Mechanokardiogramms mit einem Elektrokardiogramm als Referenz.
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren
dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche
Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
Fig. 1 zeigt eine schematische Darstellung eines Kardiografiesystems 100 gemäß einem Ausführungsbeispiel. Das System 100 ist ausgebildet, um kardiophysiologische Merkmale für ein Lebewesen X zu erfassen und zu verarbeiten. Bei dem Lebewesen X handelt es sich gemäß dem hier
dargestellten Ausführungsbeispiel um einen Menschen. Das Lebewesen X kann gemäß einem anderen Ausführungsbeispiel jedoch auch ein Tier sein.
Das Kardiografiesystem 100 weist eine Beschleunigungssensoreinheit 110 für Mechanokardiografie und eine Bestimmungsvorrichtung 120 bzw. eine
Vorrichtung 120 zum Bestimmen von kardiophysiologischen Merkmalen für das Lebewesen X auf. Die Beschleunigungssensoreinheit 110 und die
Bestimmungsvorrichtung 120 sind signalübertragungsfähig miteinander verbunden. Eine signalübertragungsfähige Verbindung ist hierbei beispielhaft als drahtlose Verbindung realisiert, insbesondere als eine Funkverbindung.
Die Beschleunigungssensoreinheit 110 ist an einem Brustkorb des Lebewesens X tragbar bzw. anbringbar ausgeführt. Dies ist in der Darstellung von Fig. 1 symbolisch veranschaulicht. Die Beschleunigungssensoreinheit 110 ist beispielhaft in Gestalt eines Pflasters, eines Aufklebers oder eines Brustgurtes ausgeführt. Die Beschleunigungssensoreinheit 110 weist zumindest einen Beschleunigungssensor 112 zum Aufnehmen bzw. Sensieren von
Beschleunigungswerten in mindestens einer Raumrichtung auf. Gemäß dem hier dargestellten Ausführungsbeispiel weist die Beschleunigungssensoreinheit 110 einen Beschleunigungssensor 112 zum Aufnehmen von Beschleunigungswerten in drei Raumrichtungen auf. Hierbei sind die Beschleunigungswerte zumindest teilweise durch eine Herzaktivität des Lebewesens X bedingt. Gemäß einem Ausführungsbeispiel weist die Beschleunigungssensoreinheit 110 einen
Beschleunigungssensor 112 zum Aufnehmen von Beschleunigungswerten in einer Raumrichtung auf, die der Richtung dorsal-ventral entspricht.
Ferner ist gemäß dem hier dargestellten Ausführungsbeispiel eine
Erfassungseinrichtung 114 zum Erfassen der aufgenommenen
Beschleunigungswerte vorgesehen. Die Erfassungseinrichtung 114 ist ausgebildet, um ein Mechanokardiogrammsignal 115 zu erzeugen, welches die Beschleunigungswerte repräsentiert. Das Mechanokardiogrammsignal 115 repräsentiert somit ein Mechanokardiogramm des Lebewesens X. Die
Erfassungseinrichtung 114 ist gemäß dem hier dargestellten Ausführungsbeispiel als ein Teil der Beschleunigungssensoreinheit 110 ausgeführt. Gemäß einem anderen Ausführungsbeispiel kann die Erfassungseinrichtung 114 auch getrennt von der Beschleunigungssensoreinheit 110 beispielsweise als ein Teil der Bestimmungsvorrichtung 120 ausgeführt sein. Gemäß einem anderen
Ausführungsbeispiel ist die Beschleunigungssensoreinheit 110 ausgebildet, um das Mechanokardiogrammsignal 115 zu erzeugen und zur Ausgabe bzw.
Übertragung bereitzustellen.
Die Bestimmungsvorrichtung 120 ist gemäß dem hier dargestellten
Ausführungsbeispiel als ein Teil eines Computers C ausgeführt. Bei dem
Computer C handelt es sich beispielsweise um ein Smartphone, Tablet, Laptop oder einen anderen tragbaren Computer, einen Desktop-PC oder dergleichen.
Die Bestimmungsvorrichtung 120 weist eine Einleseeinrichtung 122, eine
Extraktionseinrichtung 124, eine Ermittlungseinrichtung 106 und 20 und eine Bereitstellungseinrichtung 128 auf.
Die Einleseeinrichtung 122 der Bestimmungsvorrichtung 120 ist ausgebildet, um das Mechanokardiogrammsignal 115 von einer Schnittstelle 121 zu der Beschleunigungssensoreinheit 110 einzulesen. Ferner ist die Einleseeinrichtung 122 ausgebildet, um das Mechanokardiogrammsignal 115 an die
Extraktionseinrichtung 124 weiterzuleiten.
Die Extraktionseinrichtung 124 ist ausgebildet, um aus dem
Mechanokardiogrammsignal 115 erste Merkmalsdaten 125 zu extrahieren. Die ersten Merkmalsdaten 125 repräsentieren Signaleigenschaften des
Mechanokardiogrammsignals 115 und in dem Mechanokardiogramm
beobachtbare kardiophysiologische Merkmale. Bei den Signaleigenschaften handelt es sich beispielsweise um ein Minimum, ein Maximum, einen Mittelwert, ein Integral und/oder mindestens eine andere Signaleigenschaft aus dem Zeitbereich und/oder eine Spitzenfrequenz und/oder mindestens eine andere Signaleigenschaft aus dem Frequenzbereich. Bei den in dem
Mechanokardiogramm beobachtbaren kardiophysiologischen Merkmalen handelt es sich beispielsweise um Öffnung und Schluss von Herzklappen, genauer gesagt Öffnung und Schluss der Aortenklappe und der Mitralklappe. Gemäß einem Ausführungsbeispiel ist die Extraktionseinrichtung 124 ausgebildet, um einen Schiebefensterprozess an dem Mechanokardiogrammsignal 115 auszuführen. Bei dem Schiebefensterprozess werden beispielsweise mehrere verschieden große Schiebefenster genutzt und in jedem Schiebefenster werden Signaleigenschaften bestimmt. Die Extraktionseinrichtung 124 ist ausgebildet, um die ersten Merkmalsdaten 125 an die Ermittlungseinrichtung 126
weiterzu leiten bzw. derselben verfügbar zu machen. Zusätzlich ist die
Extraktionseinrichtung 124 auch ausgebildet, um die ersten Merkmalsdaten 125 an die Bereitstellungseinrichtung 128 weiterzu leiten bzw. derselben verfügbar zu machen.
Die Ermittlungseinrichtung 126 ist ausgebildet, um unter Verwendung einer Verarbeitungsvorschrift aus den ersten Merkmalsdaten 125 zweite
Merkmalsdaten 127 zu ermitteln. Die zweiten Merkmalsdaten 127 repräsentieren solche kardiophysiologischen Merkmale, die aus einem Elektrokardiogramm extrahierbar sind bzw. wären. Insbesondere repräsentieren die zweiten
Merkmalsdaten 127 als kardiophysiologische Merkmale auf die ersten
Merkmalsdaten 125 bezogene Zeitpunkte einer Depolarisation des Myokards und/oder mindestens eines anderen Vorgangs im Herzen des Lebewesens X. Gemäß einem Ausführungsbeispiel ist die Ermittlungseinrichtung 126
ausgebildet, um als Verarbeitungsvorschrift einen Klassifikationsalgorithmus maschinellen Lernens zu verwenden. Der Klassifikationsalgorithmus weist als eine Ausgabe beispielsweise einen binären Zeitfolgenvektor oder einen
Wahrscheinlichkeitsvektor auf. Die Ermittlungseinrichtung 126 ist gemäß einem Ausführungsbeispiel auch ausgebildet, um eine Körperhaltung des Lebewesens X, beispielsweise in Rückenlage, sitzend oder stehend, während der
Mechanokardiografie in der Verarbeitungsvorschrift zu berücksichtigen.
Zusätzlich oder alternativ ist die Ermittlungseinrichtung 126 gemäß einem Ausführungsbeispiel ausgebildet, um individuelle physiologische Daten des Lebewesens X, beispielsweise Vorerkrankungen oder dergleichen, in der Verarbeitungsvorschrift zu berücksichtigen. Optional ist die
Ermittlungseinrichtung 126 ausgebildet, um die Verarbeitungsvorschrift unter Verwendung eines Algorithmus des maschinellen Lernens zu parametrisieren bzw. zu trainieren. Die Ermittlungseinrichtung 126 ist ferner ausgebildet, um die zweiten Merkmalsdaten 127 an die Bereitstellungseinrichtung 128 weiterzuleiten bzw. derselben verfügbar zu machen.
Die Bereitstellungseinrichtung 128 ist ausgebildet, um unter Verwendung der ersten Merkmalsdaten 125 und der zweiten Merkmalsdaten 127 ein
Auswertungssignal 129 bereitzustellen. Das Auswertungssignal 129 repräsentiert die bestimmten kardiophysiologischen Merkmale. Insbesondere repräsentiert das Auswertungssignal als kardiophysiologische Merkmale die ersten
Merkmalsdaten, die zweiten Merkmalsdaten und/oder aus den ersten
Merkmalsdaten und den zweiten Merkmalsdaten bestimmte kardiologische oder kardiophysiologische Kenngrößen.
Gemäß dem hier dargestellten Ausführungsbeispiel weist das
Kardiografiesystem 100 auch eine Benutzerschnittstelle 140 auf. Die
Benutzerschnittstelle 140 ist signalübertragungsfähig mit der
Bestimmungsvorrichtung 120 verbunden. Lediglich beispielhaft ist die
Benutzerschnittstelle 140 gemäß dem hier dargestellten Ausführungsbeispiel ebenfalls als ein Teil des Computers C ausgeführt. Die Benutzerschnittstelle 140 ist ausgebildet, um unter Verwendung des Auswertungssignals 129 einem Benutzer die bestimmten kardiophysiologischen Merkmale optisch bzw. grafisch und/oder akustisch zu präsentieren.
Gemäß einem Ausführungsbeispiel weist die Bestimmungsvorrichtung 120 ferner eine Vorverarbeitungseinrichtung 132 auf. Die Vorverarbeitungseinrichtung 132 ist ausgebildet, um unter Verwendung eines Bandpassfilters und/oder mindestens eines anderen Filters eine Vorverarbeitung des mittels der
Einleseeinrichtung 122 eingelesenen Mechanokardiogrammsignals 115 durchzuführen. Hierbei ist die Vorverarbeitungseinrichtung 132 auch ausgebildet, um eine vorverarbeitete Version 133 des Mechanokardiogrammsignals 115 zu generieren und an die Extraktionseinrichtung 124 auszugeben. Die
Extraktionseinrichtung 124 ist dabei ausgebildet, um die ersten Merkmalsdaten 125 aus der vorverarbeiteten Version 133 des Mechanokardiogrammsignals 115 zu extrahieren.
Gemäß einem Ausführungsbeispiel weist die Bestimmungsvorrichtung 120 auch eine Nachverarbeitungseinrichtung 134 auf. Die Nachverarbeitungseinrichtung 134 ist ausgebildet, um eine Nachverarbeitung der mittels der
Ermittlungseinrichtung 126 ermittelten zweiten Merkmalsdaten 127
durchzuführen. Zum Durchführen der Nachverarbeitung ist die
Nachverarbeitungseinrichtung 134 ausgebildet, um unter Verwendung einer Verarbeitungsvorschrift in den zweiten Merkmalsdaten 127 überschüssige kardiophysiologische Merkmale zu reduzieren und/oder fehlende
kardiophysiologische Merkmale zu ergänzen. Hierbei ist die
Nachverarbeitungseinrichtung 134 zudem ausgebildet, um eine nachverarbeitete Version 137 der zweiten Merkmalsdaten 127 zu generieren und an die
Bereitstellungseinrichtung 128 auszugeben. Die Bereitstellungseinrichtung 128 ist dabei ausgebildet, um das Auswertungssignal 129 unter Verwendung der ersten Merkmalsdaten 125 und der nachverarbeiteten Version 137 der zweiten Merkmalsdaten 127 bereitzustellen.
Gemäß einem Ausführungsbeispiel weist die Bestimmungsvorrichtung 120 eine Ausgabeeinrichtung 136 auf. Alternativ kann die Ausgabeeinrichtung 136 als ein Teil der Benutzerschnittstelle 140 ausgeführt sein. Die Ausgabeeinrichtung 136 ist ausgebildet, um unter Verwendung des Auswertungssignals 129 die bestimmten kardiophysiologischen Merkmale über die bzw. mittels der
Benutzerschnittstelle 140 auszugeben bzw. einem Benutzer zu präsentieren. Dazu ist die Ausgabeeinrichtung 136 ausgebildet, um unter Verwendung des Auswertungssignals 129 ein Ansteuersignal 139 zum Ansteuern der
Benutzerschnittstelle 140 zu generieren.
Gemäß einem Ausführungsbeispiel kann die Bestimmungsvorrichtung 120 an einem Brustkorb des Lebewesens X tragbar bzw. anbringbar ausgeführt sein. Hierbei kann die Bestimmungsvorrichtung 120 mit der
Beschleunigungssensoreinheit 110 gemeinsam bzw. kombiniert beispielhaft in Gestalt eines Pflasters, eines Aufklebers oder eines Brustgurtes ausgeführt sein. So kann das Auswertungssignal 129 von der an einem Brustkorb des
Lebewesens X angebrachten Bestimmungsvorrichtung 120 an die
Benutzerschnittstelle 140 übertragen werden.
Fig. 2 zeigt ein Ablaufdiagramm eines Verfahrens 200 zum Bestimmen gemäß einem Ausführungsbeispiel. Das Verfahren 200 zum Bestimmen ist ausführbar, um kardiophysiologische Merkmale für ein Lebewesen zu bestimmen. Dabei ist das Verfahren 200 zum Bestimmen mittels bzw. unter Verwendung des
Kardiografiesystems aus Fig. 1 oder eines anderen Kardiografiesystems und/oder der Bestimmungsvorrichtung aus Fig. 1 oder einer ähnlichen
Bestimmungsvorrichtung ausführbar.
In einem Schritt 210 des Einlesens wird bei dem Verfahren 200 zum Bestimmen ein Mechanokardiogrammsignal von einer Schnittstelle zu einer
Beschleunigungssensoreinheit für Mechanokardiografie eingelesen. Das Mechanokardiogrammsignal repräsentiert ein Mechanokardiogramm des Lebewesens. In einem Schritt 220 des Extrahierens, der nachfolgend bezüglich des Schrittes 210 des Einlesens ausführbar ist, werden aus dem
Mechanokardiogrammsignal erste Merkmalsdaten extrahiert. Die ersten
Merkmalsdaten repräsentieren Signaleigenschaften des
Mechanokardiogrammsignals und in dem Mechanokardiogramm beobachtbare kardiophysiologische Merkmale. In einem Schritt 230 des Ermittelns, der relativ zu dem Schritt 220 des Extrahierens nachfolgend ausführbar ist, werden unter Verwendung einer Verarbeitungsvorschrift aus den ersten Merkmalsdaten zweite Merkmalsdaten extrahiert. Die zweiten Merkmalsdaten repräsentieren aus einem Elektrokardiogramm extrahierbare kardiophysiologische Merkmale. In einem Schritt 240 des Bereitstellens, der bezüglich des Schrittes 230 des Ermittelns nachfolgend ausführbar ist, wird unter Verwendung der ersten Merkmalsdaten und der zweiten Merkmalsdaten ein Auswertungssignal bereitgestellt. Das Auswertungssignal repräsentiert kardiophysiologische Merkmale bzw. die bestimmten kardiophysiologischen Merkmale.
Gemäß einem Ausführungsbeispiel weist das Verfahren 200 zum Bestimmen auch einen Schritt 250 des Erfassens von zumindest partiell durch
kardiophysiologische Merkmale bedingten Beschleunigungswerten des
Lebewesens auf, um das Mechanokardiogrammsignal zu erzeugen. Der Schritt 250 des Erfassens ist hierbei vor dem Schritt 210 des Einlesens ausführbar. Zusätzlich oder alternativ weist das Verfahren 200 zum Bestimmen gemäß einem Ausführungsbeispiel einen Schritt 260 des Vorverarbeitens des eingelesenen Mechanokardiogrammsignals auf. Der Schritt 260 des Vorverarbeitens ist hierbei zwischen dem Schritt 210 des Einlesens und dem Schritt 220 des Extrahierens ausführbar. Im Schritt 260 des Vorverarbeitens wird das eingelesene
Mechanokardiogrammsignal mittels eines Bandpassfilters und/oder mindestens eines anderen Filters vorverarbeitet. Zusätzlich oder alternativ weist das
Verfahren 200 zum Bestimmen gemäß einem Ausführungsbeispiel einen Schritt 270 des Nachverarbeitens der ermittelten zweiten Merkmalsdaten auf, um überschüssige kardiophysiologische Merkmale zu reduzieren und/oder fehlende kardiophysiologische Merkmale zu ergänzen. Dabei ist der Schritt 270 des Nachverarbeitens zwischen dem Schritt 230 des Ermittelns und dem Schritt 240 des Bereitstellens ausführbar. Zusätzlich oder alternativ weist das Verfahren 200 zum Bestimmen gemäß einem Ausführungsbeispiel einen Schritt 280 des Ausgebens der kardiophysiologischen Merkmale unter Verwendung des
Auswertungssignals über eine Benutzerschnittstelle auf. Der Schritt 280 des Ausgebens ist hierbei nachfolgend zu dem Schritt 240 des Bereitstellens ausführbar.
Fig. 3 zeigt eine schematische Darstellung 300 eines Mechanokardiogramms 133 bzw. eines vorverarbeiteten Mechanokardiogrammsignals 133 mit einem Elektrokardiogramm 302 als Referenz. Hierbei ist das Mechanokardiogramm 133 bzw. vorverarbeitete Mechanokardiogrammsignal 133 mittels der
Bestimmungsvorrichtung aus Fig. 1 oder einer ähnlichen
Bestimmungsvorrichtung und/oder durch Ausführen des Verfahrens aus Fig. 2 oder eines ähnlichen Verfahrens erzeugt.
Ein erster Signalverlauf 304 des Mechanokardiogramms 133 repräsentiert ein mittels einer Beschleunigungssensoreinheit detektiertes Beschleunigungssignal in Richtung kaudal-kranial (C-C) bezogen auf ein Lebewesen. Ein zweiter Signalverlauf 306 des Mechanokardiogramms 133 repräsentiert ein mittels der Beschleunigungssensoreinheit detektiertes Beschleunigungssignal in Richtung links-rechts (L-R) bezogen auf das Lebewesen. Ein dritter Signalverlauf 308 des Mechanokardiogramms 133 repräsentiert ein mittels der
Beschleunigungssensoreinheit detektiertes Beschleunigungssignal in Richtung dorsal-ventral (D-V) bezogen auf das Lebewesen.
An dem dritten Signalverlauf 308 sind kardiophysiologische Merkmale AO und AC sowie MO und MC als erste Merkmalsdaten markiert. Die ersten
Merkmalsdaten sind mittels der Bestimmungsvorrichtung und/oder durch das Verfahren aus dem Mechanokardiogramm 133 extrahierbar. AO repräsentiert eine Öffnung der Aortenklappe. AC repräsentiert einen Schluss der
Aortenklappe. MO repräsentiert eine Öffnung der Mitralklappe. MC repräsentiert einen Schluss der Mitralklappe.
Das Elektrokardiogramm 302 ist in Gestalt eines weiteren Signalverlaufs als ein synchronisiertes EKG-Signal mit markierten R-Zacken zur Veranschaulichung dargestellt. Die R-Zacken bezeichnen Zeitpunkte einer Depolarisation des Myokards als kardiophysiologische Merkmale in Gestalt von zweiten
Merkmalsdaten. Die zweiten Merkmalsdaten sind mittels der
Bestimmungsvorrichtung und/oder durch das Verfahren aus dem
Mechanokardiogramm 133 ermittelbar.
Nachfolgend werden Ausführungsbeispiele unter Bezugnahme auf die vorstehend beschriebenen Figuren nochmals zusammenfassend und mit anderen Worten kurz erläutert. Auch Hintergründe und Vorteile von
Ausführungsbeispielen werden kurz dargelegt. Die Seismokardiografie (SKG) oder auch Mechanokardiografie ist ein nicht invasives Verfahren zur Herzdiagnose, welches lokale mechanische
Schwingungen des Brustkorbs ansprechend auf den Herzschlag analysiert. Aus dem Mechanokardiogrammsignal 115 bzw. dem vorverarbeiteten
Mechanokardiogrammsignal 133 können verschiedene physiologische
Parameter bzw. Merkmale extrahiert werden, wie beispielsweise eine
Herzfrequenz oder Herz-Timing-Intervalle. Insbesondere werden
Mechanokardiogrammsignale 115 bzw. 133 mittels Beschleunigungssensorik entweder eindimensional oder dreidimensional aufgenommen. Eine
Signalmorphologie wird durch viele Faktoren beeinflusst, wie beispielsweise: Haltung des Lebewesens, Sensorposition, Atemphase und Variabilität zwischen Lebewesen. Der Signalverlauf des Mechanokardiogrammsignals 115 bzw. des vorverarbeiteten Mechanokardiogrammsignals 133 enthält mehrere
charakteristische Spitzen, die physiologische Ereignisse bzw.
kardiophysiologische Merkmale repräsentieren, wie beispielsweise Öffnung und Schluss der Aortenklappe (AO und AC) oder Mitralklappe (MO und MC).
Ähnlich dem Mechanokardiogramm enthält das Elektrokardiogramm (EKG) mehrere charakteristische Merkmalspunkte, wie beispielsweise die R-Zacke. Ein Unterschied zwischen einem SKG-Signal und einem EKG-Signal besteht darin, dass die Mechanokardiografie die mechanischen Charakteristika des Herzens überwacht und die Elektrokardiografie die elektrischen.
Gemäß Ausführungsbeispielen kann ein tragbarer Sensoraufkleber bzw. eine Beschleunigungssensoreinheit 110 bereitgestellt werden, die lediglich zumindest einen Beschleunigungssensor 112 für die Mechanokardiografie aufweist. Somit kann auf einen zusätzlichen EKG-Sensor verzichtet werden. Gemäß
Ausführungsbeispielen können insbesondere auch ohne ein EKG-Signal elektrokardiophysiologische Merkmale, wie die Aortenklappenöffnung, der Mitralklappenschluss sowie getrennte Herzzyklen und ansonsten nur aus dem EKG bestimmbare Merkmale, wie die R. Zacke, lediglich auf Basis von
Mechanokardiografiedaten bestimmt werden. Auch das hinsichtlich
multimodalem Herz-Timing relevante kardiophysiologische Merkmal PEP (pre- ejection period) kann so gemäß Ausführungsbeispielen bestimmt werden. Bei PEP handelt es sich um eine Hilfsgröße zum Messen des
Zusammenziehungsvermögens des Herzens. PEP ist theoretisch definiert als Zeitdifferenz zwischen der R-Zacke im EKG und der AO-Spitze im
Mechanokardiogramm. PEP-Veränderungen können Hinweise auf einen klinischen Zustand von Lebewesen mit Herzversagen liefern.
Gemäß Ausführungsbeispielen ist ein Kardiografiesystem 100 mit
Beschleunigungssensoreinheit 110 ohne zusätzlichen EKG-Sensor vorgesehen. Das Kardiografiesystem 100 weist eine Beschleunigungssensoreinheit 110 bzw. Datenerfassungseinheit, eine Bestimmungsvorrichtung 120 bzw.
Datenverarbeitungseinheit und eine Benutzerschnittstelle 140 bzw.
Visualisierungseinheit auf. Die Vorteile eines derartigen Kardiografiesystems 100 umfassen eine verlängerte Überwachungszeit aufgrund von reduziertem
Batterieverbrauch, einen erhöhten Tragekomfort aufgrund von verringerter Größe der Beschleunigungssensoreinheit 110 durch Verzicht auf EKG-Elektroden und eine Beseitigung von Hautleitfähigkeitseffekten für die Langzeitüberwachung.
Die Beschleunigungssensoreinheit 110 bzw. Datenerfassungseinheit weist zumindest einen Beschleunigungssensor 112 auf, der an dem Brustkorb des Lebewesens X angebracht werden kann, beispielsweise über einen
Sensoraufkleber, ein Klebeband oder einen Brustgurt.
Die Bestimmungsvorrichtung 120 bzw. Datenverarbeitungseinheit ist
beispielsweise als ein Standard-Mikrocontroller oder irgendeine andere
Datenverarbeitungsvorrichtung, zum Beispiel Smartphone, Laptop etc.
ausgeführt. Die Daten zwischen der Beschleunigungssensoreinheit 110 und der Bestimmungsvorrichtung 120 können über eine Kabelverbindung oder drahtlos übertragen werden.
Die Bestimmungsvorrichtung 120 führt insbesondere folgende Vorgänge aus: Datenvorverarbeitung mittels der Vorverarbeitungseinrichtung 132 durch Bandpassfilterung, um beispielsweise durch Atmung bedingte niedrige
Frequenzkomponenten und beispielsweise durch Bewegungsartefakte bedingte hohe Frequenzkomponenten zu beseitigen. Merkmalsextraktion mittels der Extraktionseinrichtung 124 zur Berechnung verschiedener Merkmale basierend auf dem Mechanokardiogrammsignal 115 bzw. dem vorverarbeiteten Mechanokardiogrammsignal 133, zum Beispiel zeitbasierte Merkmale wie Minimum, Maximum, Mittelwert, Integral etc. oder frequenzbasierte Merkmale wie die Spitzenfrequenz.
Durch die Ermittlungseinrichtung 126 ausgeführter EKG-Merkmalspunkt- Vorhersagealgorithmus, wobei die berechneten Merkmale Eingaben für einen Klassifikator des maschinellen Lernens (Machine Learning Classifier) sind, der die zweiten Merkmalsdaten 127, insbesondere Positionen von EKG- Merkmalspunkten, vorhersagt. Die Ausgabe kann ein Wahrscheinlichkeitsvektor oder ein binärer Zeitfolgenvektor sein, bei dem eine„1“ das Auftreten eines EKG- Merkmalspunktes anzeigt.
Nachverarbeitung mittels der Nachverarbeitungseinrichtung 134 zum Entfernen oder Hinzufügen zusätzlicher R-Zacken des Ausgangssignals basierend auf physiologischen Herzfrequenzbegrenzungen.
Berechnung klinisch relevanter Parameter, wie beispielsweise Herzfrequenz, Herzfrequenzvariabilität oder Herz-Timing-Intervalle zusammen mit anderen Mechanokardiogramm-Spitzen, basierend auf den vorhergesagten und nachverarbeiteten R-Zacken.
Mittels der Benutzerschnittstelle 140 bzw. Datenvisualisierungseinheit werden die berechneten Ergebnisse über eine Anzeigevorrichtung entweder in Form einer Grafik oder in Form einer Tabelle dem Nutzer angezeigt. Die Anzeigevorrichtung kann Teil von einem Computer C, zum Beispiel einem Smartphone oder einer alternativen Visualisierungsvorrichtung sein.
Hinsichtlich der Art und Weise, wie die zweiten Merkmalsdaten 137 bzw. EKG- Merkmalspunkte ermittelt werden, sei auch auf eine Abhängigkeit von
unterschiedlichen Algorithmen für maschinelles Lernen, von Körperhaltungen und von Personalisierungsschemata hingewiesen.
Es kann insbesondere ein Algorithmus zur Detektion von R-Zacken, Q-Zacken,
S- Zacken, P-Wellen und T-Wellen bzw. allgemein von aus einem
Elektrokardiogramm extrahierbaren kardiophysiologischen Merkmalen bzw. EKG-Merkmalen unter Verwendung von Mechanokardiogrammdaten verwendet werden. Es erfolgt beispielsweise eine Klassifikation der R-Zacken in dem Mechanokardiogrammsignal 115 bzw. dem vorverarbeiteten
Mechanokardiogrammsignal 133 durch maschinelles Lernen mit einem
Merkmalsextraktionsschritt gefolgt von einem Klassifikationsalgorithmus.
Gemäß einem Ausführungsbeispiel basiert der Merkmalsextraktionsschritt auf einem Schiebefensterverfahren. Für jeden Indexpunkt i des
Mechanokardiogrammsignals 115 bzw. vorverarbeiteten
Mechanokardiogrammsignals 133 bzw. dreidimensionalen
Beschleunigungssignals werden Schiebefenster mit verschiedenen Reichweiten r extrahiert. Die Fenster sind um jeden Index i zentriert, wobei eine gesamte beispielhafte Fenstergröße ws = [i - r, i + r] oder ws = [i - 2*r, i] oder ws = [i - r, i] hierbei Fenstergrößen in einem definierten Zeitintervall entspricht. Es werden lediglich Merkmale im Zeitbereich betrachtet, um eine Rechenkomplexität und folglich einen Batterieverbrauch zu verringern. Eine Datengrundlage yt bzw.
Ground Truth wird beispielsweise basierend auf dem synchronisierten EKG- Signal 302 generiert und ist ein binärer Wert, wobei yt = 1 die Position einer R- Zacke an dem Indexpunkt i angibt. Als Klassifikatoren für das maschinelle Lernen kann beispielsweise Decision Tree, ein Entscheidungsbaum, oder Random Forest, ein Klassifikationsverfahren, das aus mehreren unkorrelierten
Entscheidungsbäumen besteht, oder ein anderer Klassifikator verwendet werden.
Eine Ausgabe yp wird unter Verwendung vorhergesagter Wahrscheinlichkeiten p, der Klassifikatoren des maschinellen Lernens berechnet. Lediglich für das Training des Algorithmus bzw. der Ermittlungseinrichtung 126 wird auch ein EKG-Signal bzw. das Elektrokardiogramm 302 genutzt, um die Ground Truth zu genieren. Wenn die Ermittlungseinrichtung 126 trainiert ist, wird das
Elektrokardiogramm 302 nicht mehr benötigt.
Unter Annahme einer Herzfrequenz von zwischen 45 und 150 Schlägen pro Minute kann mittels der Nachverarbeitungseinrichtung 134 ein maximaler und ein minimaler Abstand zwischen zwei benachbarten R-Zacken berechnet werden. Im Fall einer zu großen Anzahl vorhergesagter R-Zacken kann der Index mit der höchsten Wahrscheinlichkeit ausgewählt werden und können alle anderen Zacken innerhalb des minimalen Abstands entfernt werden. Falls Zacken ausgelassen werden, kann die Position der fehlenden R-Zacke unter
Verwendung der jüngsten Daten gesagt werden. Ferner können schnelle Veränderungen der Herzfrequenz geglättet werden, da plötzliche Veränderungen unwahrscheinlich sind.
Umfasst ein Ausführungsbeispiel eine„und/oder“-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.

Claims

Ansprüche
1. Verfahren (200) zum Bestimmen von kardiophysiologischen Merkmalen für ein Lebewesen (X), wobei das Verfahren (200) folgende Schritte aufweist:
Einlesen (210) eines Mechanokardiogrammsignals (115) von einer Schnittstelle (121) zu einer Beschleunigungssensoreinheit (110) für Mechanokardiografie, wobei das Mechanokardiogrammsignal (115) ein Mechanokardiogramm des Lebewesens (X) repräsentiert;
Extrahieren (220) von ersten Merkmalsdaten (125) aus dem
Mechanokardiogrammsignal (115), wobei die ersten Merkmalsdaten (125) Signaleigenschaften des Mechanokardiogrammsignals (115) und in dem Mechanokardiogramm beobachtbare kardiophysiologische Merkmale repräsentieren;
Ermitteln (230) von zweiten Merkmalsdaten (127) aus den ersten Merkmalsdaten (125) unter Verwendung einer Verarbeitungsvorschrift, wobei die zweiten Merkmalsdaten (127) aus einem Elektrokardiogramm extrahierbare kardiophysiologische Merkmale repräsentieren; und
Bereitstellen (240) eines Auswertungssignals (129), das
kardiophysiologische Merkmale repräsentiert, unter Verwendung der ersten Merkmalsdaten (125) und der zweiten Merkmalsdaten (127).
2. Verfahren (200) gemäß Anspruch 1, bei dem im Schritt (220) des
Extrahierens erste Merkmalsdaten (125) extrahiert werden, die ein Minimum, ein Maximum, einen Mittelwert, ein Integral und/oder mindestens eine andere Signaleigenschaft aus dem Zeitbereich und/oder eine Spitzenfrequenz und/oder mindestens eine andere Signaleigenschaft aus dem Frequenzbereich als Signaleigenschaften repräsentieren, wobei im Schritt des Extrahierens (220) erste
Merkmalsdaten (125) extrahiert werden, die Öffnung und Schluss von Herzklappen (AO, AC, MO, MC) als kardiophysiologische Merkmale repräsentieren, wobei im Schritt (230) des Ermittelns zweite
Merkmalsdaten (127) ermittelt werden, die auf die ersten Merkmalsdaten (125) bezogene Zeitpunkte einer Depolarisation des Myokards (R) und/oder mindestens eines anderen Vorgangs im Herzen als
kardiophysiologische Merkmale repräsentieren.
3. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt (230) des Ermittelns ein Klassifikationsalgorithmus maschinellen Lernens als Verarbeitungsvorschrift verwendet wird, wobei eine Ausgabe des Klassifikationsalgorithmus ein binärer Zeitfolgenvektor oder ein Wahrscheinlichkeitsvektor ist.
4. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt (230) des Ermittelns eine Körperhaltung des Lebewesens (X) während der Mechanokardiografie und/oder individuelle
physiologische Daten des Lebewesens (X) berücksichtigt wird oder werden.
5. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt (230) des Ermittelns die Verarbeitungsvorschrift unter Verwendung eines Algorithmus des maschinellen Lernens parametrisiert wird.
6. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt (220) des Extrahierens das Mechanokardiogrammsignal (115) einem Schiebefensterprozess unterzogen wird.
7. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt (240) des Bereitstellens ein Auswertungssignal (129) bereitgestellt wird, das die ersten Merkmalsdaten (125), die zweiten Merkmalsdaten (127) und/oder aus den ersten Merkmalsdaten (125) und den zweiten Merkmalsdaten (127) bestimmte Kenngrößen als kardiophysiologische Merkmale repräsentiert.
8. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, mit einem Schritt (250) des Erfassens von zumindest partiell durch kardiophysiologische Merkmale bedingten Beschleunigungswerten des Lebewesens (X), um das Mechanokardiogrammsignal (115) zu erzeugen.
9. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, mit einem Schritt (260) des Vorverarbeitens des eingelesenen
Mechanokardiogrammsignals (115), wobei im Schritt (260) des
Vorverarbeitens das eingelesene Mechanokardiogrammsignal (115) mittels eines Bandpassfilters und/oder mindestens eines anderen Filters vorverarbeitet wird.
10. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, mit einem Schritt (270) des Nachverarbeitens der ermittelten zweiten Merkmalsdaten (127), um überschüssige kardiophysiologische
Merkmale zu reduzieren und/oder fehlende kardiophysiologische Merkmale zu ergänzen.
11. Verfahren (200) gemäß einem der vorangegangenen Ansprüche, mit einem Schritt (280) des Ausgebens der kardiophysiologischen Merkmale unter Verwendung des Auswertungssignals (129) über eine
Benutzerschnittstelle (140).
12. Vorrichtung (120), die eingerichtet ist, um die Schritte des Verfahrens (200) gemäß einem der vorangegangenen Ansprüche in
entsprechenden Einheiten auszuführen und/oder anzusteuern.
13. Kardiografiesystem (100), wobei das Kardiografiesystem (100) folgende Merkmale aufweist: eine Beschleunigungssensoreinheit (110) für Mechanokardiografie, wobei die Beschleunigungssensoreinheit (110) an einem Brustkorb des Lebewesens (X) tragbar ausgeführt ist; und eine Vorrichtung (120) gemäß Anspruch 12, wobei die Vorrichtung (120) und die Beschleunigungssensoreinheit (110) signalübertragungsfähig miteinander verbindbar oder verbunden sind.
14. Computerprogramm, das dazu eingerichtet ist, die Schritte des
Verfahrens (200) gemäß einem der Ansprüche 1 bis 11 auszuführen und/oder anzusteuern.
15. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 14 gespeichert ist.
PCT/EP2019/075050 2018-09-27 2019-09-18 Verfahren und vorrichtung zum bestimmen von kardiophysiologischen merkmalen mittels mechanokardiografie WO2020064469A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018216578.5A DE102018216578A1 (de) 2018-09-27 2018-09-27 Verfahren und Vorrichtung zum Bestimmen von kardiophysiologischen Merkmalen für ein Lebewesen und Kardiografiesystem
DE102018216578.5 2018-09-27

Publications (1)

Publication Number Publication Date
WO2020064469A1 true WO2020064469A1 (de) 2020-04-02

Family

ID=68051771

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/075050 WO2020064469A1 (de) 2018-09-27 2019-09-18 Verfahren und vorrichtung zum bestimmen von kardiophysiologischen merkmalen mittels mechanokardiografie

Country Status (2)

Country Link
DE (1) DE102018216578A1 (de)
WO (1) WO2020064469A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021204939A1 (de) * 2020-04-09 2021-10-14 Fraunhofer Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und anordnung zur erzeugung eines ekg-signals

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150038856A1 (en) * 2011-05-03 2015-02-05 Heart Force Medical Inc Method and apparatus for estimating myocardial contractility using precordial vibration

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130109989A1 (en) * 2009-06-17 2013-05-02 Heart Force Medical Inc. Method and apparatus for obtaining and processing ballistocardiograph data
EP2786704B1 (de) * 2013-04-02 2016-10-05 Georg Schmidt Vorrichtung und Verfahren zur Beurteilung des Sterberisikos bei Herzpatienten
EP2893877A1 (de) * 2014-01-09 2015-07-15 Georg Schmidt Verfahren und Vorrichtung zur Berechnung eines Biosignalsubstituts aus mindestens einem anderen Biosignal eines Patienten
GB201400928D0 (en) * 2014-01-20 2014-03-05 Imp Innovations Ltd Heart monitoring device and method
TWI595860B (zh) * 2015-02-16 2017-08-21 長庚大學 心震圖譜特徵點量測方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150038856A1 (en) * 2011-05-03 2015-02-05 Heart Force Medical Inc Method and apparatus for estimating myocardial contractility using precordial vibration

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAURIN ALEXANDRE ET AL: "Accurate and consistent automatic seismocardiogram annotation without concurrent ECG", COMPUTING IN CARDIOLOGY, N/A, 6 September 2015 (2015-09-06), pages 25 - 28, XP032865096, ISSN: 2325-8861, ISBN: 978-1-4799-0884-4, [retrieved on 20160216], DOI: 10.1109/CIC.2015.7408577 *
LUU LOC ET AL: "Using Moving Average Method to Recognize Systole and Diastole on Seismocardiogram without ECG Signal", 2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC), IEEE, 18 July 2018 (2018-07-18), pages 3796 - 3799, XP033429345, DOI: 10.1109/EMBC.2018.8513297 *
MOJTABA JAFARI TADI ET AL: "A real-time approach for heart rate monitoring using a Hilbert transform in seismocardiograms", PHYSIOLOGICAL MEASUREMENT., vol. 37, no. 11, 28 September 2016 (2016-09-28), GB, pages 1885 - 1909, XP055434150, ISSN: 0967-3334, DOI: 10.1088/0967-3334/37/11/1885 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021204939A1 (de) * 2020-04-09 2021-10-14 Fraunhofer Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und anordnung zur erzeugung eines ekg-signals

Also Published As

Publication number Publication date
DE102018216578A1 (de) 2020-04-02

Similar Documents

Publication Publication Date Title
EP3105710B1 (de) Verzögerungskoordinatenanalyse von periodischen daten
DE102014204671A1 (de) System und verfahren zur bestimmung von veränderungen eines körperzustands
DE102007057885B4 (de) Verfahren zur Analyse von physiologischen Daten und Qualitätsprüfung der Messung unter Verwendung der Analyse der Hauptkomponenten
DE102017112819A1 (de) System und Verfahren zum Vorsehen einer Echtzeitsignal-Segmentierung und Kontrollpunktausrichtungsrahmen
CN106691474A (zh) 融合脑电信号与生理信号的疲劳检测系统
DE10356879A1 (de) Bestimmung willkürlicher kardialer Phasen unter Verwendung nicht elektrischer Signale
DE60315080T2 (de) Verfahren und vorrichtung zum extrahieren kausaler informationen aus einer chaotischen zeitreihe
CN114041786B (zh) 心冲击图信号的检测方法、装置以及设备
DE112018005266T5 (de) System und verfahren zur überwachung von vitalfunktionen
DE102012216747A1 (de) Verfahren und Vorrichtung zum Bestimmen von zumindest einer vorbestimmten Bewegung zumindest eines Teils eines Körpers eines Lebewesens
DE102015207071A1 (de) Bestimmen der arteriellen pulswellenlaufzeit aus vpg- und ekg-signalen
US20160135704A1 (en) Matrix-Based Patient Signal Analysis
DE4039648A1 (de) Messwertverarbeitungssystem fuer ein biologisches objekt
Song et al. Adaptive common spatial pattern for single-trial EEG classification in multisubject BCI
Talatov et al. Algorithmic and software analysis and processing of ECG signals
DE102016204397A1 (de) Klassifikation eines zeitreihensignals als ventrikuläre extrasystole
DE102015120045A1 (de) Tragbare Sportüberwachungsausrüstung zum Messen der Herzfrequenz oder Muskelaktivität und entsprechendes Verfahren
WO2020064469A1 (de) Verfahren und vorrichtung zum bestimmen von kardiophysiologischen merkmalen mittels mechanokardiografie
WO2014060182A1 (de) Vorrichtung und verfahren zum erkennen und melden eines belastungszustandes einer person
WO2021204939A1 (de) Verfahren und anordnung zur erzeugung eines ekg-signals
Saha et al. Frequency domain approach in CSP based feature extraction for EEG signal classification
WO2009079976A9 (de) Verfahren und vorrichtung zum herz-, kreislauf- und atmungsmonitoring mittels hidden markov modellen und neuronalen netzwerken
Hegde et al. A review on ECG signal processing and HRV analysis
CN110801227A (zh) 基于可穿戴设备的立体色块障碍测试的方法和系统
DE112018001390T5 (de) Blutdruckdatenverarbeitungsvorrichtung, blutdruckdatenverarbeitungsverfahren und -programm

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19773387

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19773387

Country of ref document: EP

Kind code of ref document: A1